问题
在学习反向传播的过程中，对于如下这一步：
我有了些问题，可以在上图中看到，xk和Oj之间还有一个wjk，而xk是等于求和Ojwjk这些的。那么我想，是否可以把dxk/dOj变为dxk/dwjk * dwjk/dOj（为方便没用δ）？由此，我开始了思考。
思考
要解决这个问题，首先就要知道，常数能不能作为导数？因为我们知道wjk大概是个常数。先来看一个例子：
想象一下，最简单的函数：y = 2 * x，我们都知道，y 对 x 的导数是2，什么意思呢？就是当 x 移动 1个单位的时候，y 移动两个单位。
那么，
y对2可不可以求导呢？我想（开始猜想，如有不对，恳请指正！）答案是可以，那么2移动一个单位的时候，y如何变化？答案是没有变化。因为y = 2x是一个图像对吧，是一个经过坐标轴原点的倾斜的直线。那么2如果进行变化了（hhh常数感觉就不应该变化，不过我也搞不懂说实话，猜就完事了，尽情幻想）和x没有关系那么x既然没有发生变动，那么y变了嘛？显然没有。
那么，
2变化一个单位，比如说2变成3了，但是y没有变化，也就是dy=0.
显然，
y对2的导数，是0。
好了，经过我们的思考过后，发现，y对常数可以求导，只不过是0。
回到我们最初的问题，dxk/dOj变为dxk/dwjk * dwjk/dOj，那么我们说，既然可以对常数求导，那么当然也可以对wjk求导（这里隐含了一个假设，wjk是常数，我们之后会分析这一点，暂且随我向前）。
那么我们对wjk求导可知，这个结果是0，但是后面还有一块，常数对变量求导，这个东西又是很奇怪。那么我们不得不再进行考虑。
突然，想到一点，我们为什么想把左边（dxk/dOj）变为右边（dxk/dwjk * dwjk/dOj）？
实际上除了对常数求导的迷思解决了以外，这里还有一个假设，就是我们可以进行链式求导，那么不妨我们深入一下链式求导：
上面是维基百科对于链式法则的解释，可以看到，链式法则是需要g对y可微分以及y对x可微分。也就是说，链式法则的成立需要中间变量非独立，常数显然不可以。
因此，我们无法用链式法则用常数作为中间变量对g进行求导。
那么回到我们的初始问题：能否dxk/dOj变为dxk/dwjk * dwjk/dOj，答案显然是不行。
然而，这些一切都是基于wjk是常数的考量下的，然而，这里出现了第二个问题。
问题
虽然说，我们知道了链式法则不能像我们之前提到的那样使用，但是，看到我们目前的图片，让我毛骨悚然的一点是，看看这个：dE/dwjk，这是什么？这不正是我们之前说的那个"常数"吗？
我们在深入链式法则中中间层的w的时候，却忘了在最开始，w就已经作为自变量，出现在我们面前了。
于是新的问题产生了，w，究竟是常数？还是什么？？？
思考
首先，我们看dE/dwjk，对于这个w，假如，他是常数，那么显然我们没必要求他，因为对常数求导，导数是0。那么所以说，这个w，他是一个自变量。在这个情况中，他就像y = 2x中的x一样。我们来画个草图：
他是这样的一个感觉。
那么，在这种情况下，他是一个自变量，那么为什么在刚才的情况下，我们不能够作为链式法则使用呢？
我想，这是因为w的角色不同。
就像上图中，在dE/dwij的情况下，由于E是关于wij的函数，就是我现在就是要求wij变化的时候，E怎么变，那么自然，我是可以让wij作为自变量的。
然而，在如下这个部分，我们不可以拆分：
虽然中间有一个wjk，但是我们现在更新的是wij，我认为，神经网络的参数应该是逐层更新 的，那么，wjk 在这个场景下，就应该是一个常数 。原因就是逐层更新，而现在没有更新他 。那么我想他的值就是之前前向传播来的值，且固定。
至此，完成了我们这两个问题的辨析。
总结
总的来说，这个w究竟是常数还是自变量，要看这个w是否是现在正在更新，如果只是中间的一个参数，那么就把他视作常数。但是，如果他正在更新，那么就要把他视作自变量，因为我们要对他进行更新。
楼主机器学习小白，如有不对，还望各位不吝指正！
参考资料
【1】龙良曲PyTorch入门到实战（附课程源码）全150讲，绝对通俗易懂！_AI人工智能/计算机视觉/深度学习/pytorch/神经网络